基于谐波小波包和支持向量机的风机叶片损伤识别研究

为了解决风机叶片损伤类型识别的问题,提出了一种基于谐波小波包和支持向量机相结合的声发射源识别方法。由叶片损伤产生的声发射信号经过4层谐波小波包分解后,提取各频段的能量作为特征向量构建支持向量机分类器,通过支持向量机判别叶片损伤类型。在对叶片损伤进行识别时,分别采用谐波小波包和Daubechies小波包分解声发射信号,并进行比较。实验结果表明,采用谐波小波包和支持向量机相结合的方法可以得到良好的识别效果。     

基于支持向量机的化工装置电力电子故障诊断

采用小波包分析与支持向量机（SVM）对化工装置电力电子故障进行自动识别和诊断,运用变尺度分辨小波包方法对电力电子故障信号进行特征处理。支持向量机能够对小样本数进行模式识别,并且具有良好的分类推广能力。在小波包分析特征基础上,采用分布式多支持向量机（SVM）分类器识别化工装置电力电子故障。结果表明：该方法能准确有效地对化工装置的电力电子故障进行识别和诊断。     

基于互信息截取的光纤周界振动信号识别

针对光纤周界系统采集的入侵振动信号存在的强非线性和非平稳性问题,以互信息法求取的延迟时间点数作为信号最大截取长度,采用复小波包变换提取光纤信号的能量分布特征,采用支持向量机作为分类器对入侵振动信号类型进行识别。实验结果表明:该方法可有效识别入侵信号,提高系统检测率,减小系统计算量。     

采用时域和复域小波变换的光纤周界振动信号识别

针对光纤周界安防系统存在报警率低和误报率高的问题,提出一种时域和复域小波变换相结合的光纤周界振动信号识别方法,以降低误报率、提高报警率并确定振动时间。该方法首先用光纤信号的时域小波特征来抑制干扰信号,排除静默信号并判断是否有振动发生;其次用信号复域小波特征中的能量分布和相位特征构造出光纤信号的识别特征;最后用支持向量机作为分类器训练光纤振动信号并识别出振动类型。     

基于小波包-支持向量机的滚动轴承故障诊断

以轴承在正常、内圈和滚子裂缝、内圈和滚子剥落三种工况下的振动信号为研究对象,采用小波包频带能量特征提取的方法,构成振动信号的特征向量。在此基础上采用支持向量机对特征向量进行故障模式识别,试验结果表明,和神经网络相比,采用支持向量机进行故障诊断可以获得更高的诊断精度。     

基于有向无环图相关向量机的捣固车滚动轴承故障诊断

针对捣固车滚动轴承振动故障信号的非线性和非平稳性特点,提出将总体经验模态分解(EEMD)故障特征提取方式和有向无环图相关向量机(DAG-RVM)相结合的故障诊断方法。采用EEMD处理滚动轴承振动信号后得到很多固有模态函数(IMF),并将IMF能量作为特征向量输入DAG-RVM诊断器中识别。此模型与支持向量机(SVM)比较,体现出RVM在故障诊断中的优势。     

基于虚拟技术的齿轮故障智能诊断研究

利用LabVIEW图形化编程语言开发了信号分析与处理、信号特征提取和故障诊断三大模块。信号特征提取由小波包分解来实现,故障诊断通过神经网络完成,小波包分解提取的齿轮振动信号各频段能量特征值作为神经网络的输入向量。以模拟故障实验台获取的齿轮典型故障振动信号训练神经网络,利用训练好的神经网络对齿轮进行故障诊断,实验结果表明：所开发的齿轮故障智能诊断系统能有效识别齿轮故障,较好地将虚拟技术应用于故障诊断领域。     

基于离散粒子群的气液二相流型特征选择

针对气液二相流型识别中存在的大量无关或冗余的特征会降低分类器性能的缺陷,提出了离散粒子群算法(BPSO)和最小二乘支持向量机(LS-SVM)封装模式的流型特征选择方法.该方法分别采用小波包和经验模式分解方法(EMD)对原始压差波动信号进行分解,分别提取原始信号和各分解信号的时域量纲一指标组成融合特征.然后采用BPSO进...     

管道泄漏诊断方法研究

提出一种基于小波分析和神经网络技术的管道泄漏诊断方法。首先对管道泄漏的声发射信号进行小波包分解,然后提取各节点能量百分比作为特征向量输入BP神经网络,以故障类别作为输出参数训练该网络。训练后的神经网络可以利用测量的声发射信号来判断管道的故障状况。通过试验证明该方法在管道泄漏诊断中是有效可行的,不仅能判断管道是否发生泄漏还能识别泄漏种类。     

自适应小波降噪的泵机组故障诊断

泵机组故障诊断的难点在于信号特征向量的提取,而故障特征往往淹没在复杂的噪音中。本文利用自适应小波函数对采集到的振动信号进行降噪,滤掉了无关的噪声信息,根据振动能量的分布,对降噪过的信号进行四层小波包分解,提取出的特征向量分布明显。最后将分类特征向量输入神经网络进行训练,测试的结果证明,该方法识别精度高、速度快,具有良好的应用前景。     

基于流体诱发振动的非接触式湿气流流型识别(英文)

A novel noninvasive approach, based on flow-induced vibration, to the online flow regime identification for wet gas flow in a horizontal pipeline is proposed. Research into the flow-induced vibration response for the wet gas flow was conducted under the conditions of pipe diameter 50 mm, pressure from 0.25 MPa to 0.35 MPa, Lockhart-Martinelli parameter from 0.02 to 0.6, and gas Froude Number from 0.5 to 2.7. The flow-induced vibration signals were measured by a transducer installed on outside wall of pipe, and then the normalized energy features from different frequency bands in the vibration signals were extracted through 4-scale wavelet package transform. A “binary tree” multi-class support vector machine(MCSVM) classifier, with the normalized feature vector as inputs, and Gaussian radial basis function as kernel function, was developed to identify the three typical flow regimes in-cluding stratified wavy flow, annular mist flow, and slug flow for wet gas flow. The results show that the method can identify effec-tively flow regimes and its identification accuracy is about 93.3%. Comparing with the other classifiers, the MCSVM classifier has higher accuracy, especially under the case of small samples. The noninvasive measurement approach has great application prospect in online flow regime identification.     

Diagnosis of working conditions of an aluminum reduction cell based on wavelet packets and fuzzy neural network

In this paper, fuzzy neural network is combined with wavelet packet analysis for diagnosis of working conditions of aluminum reduction cells. The sample data is pre-processed using best wavelet packet basis for the forecast and then an adaptive-network-based fuzzy inference system (ANFIS) is established for diagnosis of working conditions. The wavelet packet analysis was used to extract the characteristic of signal according to the frequency spectrum characteristics of voltage vibration signal of aluminum reduction cells. The signals were decomposed into eight frequency bands and the information pre-conditioned was used as an energy characteristic vector. The structure of ANFIS is given and the membership function is developed according to the actual situation. All simulated working conditions are emulated on 350 KA pre-baked aluminum reduction cells. The feasibility of this novel method is proved by the simulation results.     

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征 ,采用小波包分析对其建立频域能量特征向量 ,利用径向基函数神经网络完成滚动轴承故障模式的识别。理论和试验证明了该方法的有效性。     

基于最小二乘支持向量机测定重油中金属含量

运用微波消解样品预处理技术,对训练集光谱测试数据进行小波压缩,然后用最小二乘支持向量机建立数学模型,并用检验集光谱数据考察模型的优劣,表明小波压缩—支持向量机建立的数学模型泛化能力好。试验表明,用建立的方法,测定重油中的铁、镍和钒,使测试时间由2 d缩短为5 h,与原子吸收的测试结果一致。     

基于提升支持向量机的多组分气体分析

针对大规模高维气体分析样本难以计算的问题,提出一种提升的支持向量机学习方法.该方法将支持向量机等效为一定的KKT条件的同时,能通过检测样本在训练空间的转移始终保持KKT条件成立,起始训练样本的规模最少可以是2个.在对多组分气体分析的实验中,传统的支持向量机学习方法需要时间34 h左右,而提升支持向量机学习的时间为2.7 h,计算速度提高12.6倍.